| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 缩略词清单 | 第13-14页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 课题背景及研究意义 | 第14-15页 |
| 1.2 故障诊断方法综述 | 第15-19页 |
| 1.2.1 故障诊断方法分类 | 第15-17页 |
| 1.2.2 基于数据驱动的旋转机械故障诊断方法介绍 | 第17-19页 |
| 1.3 基于数据驱动的旋转机械故障诊断国内外研究现状 | 第19-21页 |
| 1.4 本文主要研究工作及章节安排 | 第21-23页 |
| 第二章 数据来源及数据分析 | 第23-33页 |
| 2.1 引言 | 第23页 |
| 2.2 船舶动力系统旋转机械结构概述 | 第23-24页 |
| 2.3 船舶轴系实船数据 | 第24-28页 |
| 2.3.1 实船数据来源 | 第24页 |
| 2.3.2 实船数据分类 | 第24-26页 |
| 2.3.3 实船数据幅值曲线图及频谱图分析 | 第26-28页 |
| 2.4 模拟实验数据 | 第28-32页 |
| 2.4.1 船舶旋转机械典型故障介绍 | 第28-29页 |
| 2.4.2 模拟实验介绍 | 第29-30页 |
| 2.4.3 实验数据幅值曲线图及频谱图分析 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于经验模式分解的船舶旋转机械故障诊断方法研究 | 第33-50页 |
| 3.1 引言 | 第33页 |
| 3.2 经验模式分解（EMD） | 第33-38页 |
| 3.2.1 EMD方法介绍 | 第33-37页 |
| 3.2.2 伪分量理论 | 第37-38页 |
| 3.2.3 EMD方法的特点及优点 | 第38页 |
| 3.3 EMD与遗传算法结合的优化阈值降噪算法 | 第38-44页 |
| 3.3.1 EMD阈值降噪原理 | 第38-39页 |
| 3.3.2 遗传算法理论 | 第39-41页 |
| 3.3.3 遗传算法优化下的EMD阈值降噪方法 | 第41-42页 |
| 3.3.4 仿真验证及结果分析 | 第42-44页 |
| 3.4 基于EMD样本熵的故障诊断方法 | 第44-49页 |
| 3.4.1 样本熵理论 | 第44-45页 |
| 3.4.2 支持向量机分类原理 | 第45-46页 |
| 3.4.3 EMD样本熵故障诊断算法及实验验证 | 第46-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于图像纹理分析的船舶旋转机械故障诊断方法研究 | 第50-69页 |
| 4.1 引言 | 第50页 |
| 4.2 基于小波灰度共生矩阵的船舶旋转机械故障检测方法 | 第50-58页 |
| 4.2.1 小波变换及小波灰度图 | 第50-52页 |
| 4.2.2 灰度共生矩阵 | 第52-53页 |
| 4.2.3 实验验证 | 第53-55页 |
| 4.2.4 结果分析 | 第55-58页 |
| 4.3 基于统计几何方法的船舶旋转机械故障诊断方法 | 第58-68页 |
| 4.3.1 振动信号的纹理图像形式 | 第58-59页 |
| 4.3.2 统计几何特征 | 第59-60页 |
| 4.3.3 多分类支持向量机分类器 | 第60-61页 |
| 4.3.4 实验验证 | 第61-62页 |
| 4.3.5 结果分析 | 第62-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 船舶旋转机械故障诊断系统开发 | 第69-75页 |
| 5.1 引言 | 第69页 |
| 5.2 软件开发平台简介 | 第69页 |
| 5.3 系统方案设计 | 第69-70页 |
| 5.4 系统实现 | 第70-74页 |
| 5.4.1 数据预处理模块 | 第70-71页 |
| 5.4.2 EMD-GA降噪模块 | 第71页 |
| 5.4.3 EMD样本熵特征提取模块 | 第71-73页 |
| 5.4.4 二维灰度图统计几何特征提取模块 | 第73页 |
| 5.4.5 支持向量机故障诊断模块 | 第73-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-78页 |
| 6.1 全文工作总结 | 第75-76页 |
| 6.2 研究展望 | 第76-78页 |
| 参考文献 | 第78-83页 |
| 致谢 | 第83-84页 |
| 于南京航空航天大学在学期间的研究成果及发表的学术论文 | 第84页 |
